电池研发Agent，来了

AI4S真正替代大量基础、重复、耗时的研发流程。

2026，AI Agent 大爆发，从办公助理、代码助手，到“小龙虾”和各类自动化工作流，AI 明显从“回答问题”走向“替人干活”。

不过有别于Chatbot，对于更多的人，Agent 虽然看起来热闹，但少了走入日常的真实使用感受。而在电池研发垂直领域，颠覆反而可能更快发生。

原因在于，越泛的任务，边界越模糊；越聚焦、越标准化、越可验证的流程，反而越容易先被Agent接管。

电池研发，就是这样的场景。

据悉，SES AI 即将发布电池创新AI4S解决方案——分子宇宙MU-3.0，新版本正在把Agent对于电池创新的颠覆落到具体产品上：

用户可以把一个研发目标交给MU-StarSeeker（探星者），由它自动调度 Ask、Search、Formulate、Design、Predict、Manufacture 等能力，完成从问题拆解、分子搜索、配方模拟、性能预测到实验反馈的一段研发流程。

SES AI 创始人、CEO 胡启朝博士把MU-3 称为分子宇宙的一个“分水岭”。

MU-3 之前，它是工具箱；MU-3 之后，它开始替用户调度具体研发工作。

MU-3的分水岭：从工具箱到接管基础验证工作

StarSeeker 不是凭空出现的。

在MU-3 之前，分子宇宙（MU）已经把电池研发中的几个关键动作拆成了工具：Ask 用来拆解问题和梳理方向，Search 用来在分子空间里寻找候选，Formulate 进入配方级模拟，Design 将材料与电芯设计相连，Predict 面向循环、寿命等长期表现，Manufacture 则把制造和质量相关能力纳入研发链条。

这些能力单独看，已经是一套电池研发工具链。

但工具链不等于自动化。过去，用户仍然要知道每个工具怎么用、什么时候用、输出结果怎么分析、下一步进入哪个环节。AI 给出了能力，调用能力的人仍然是研发人员。

MU-3的变化，是把这些工具转化为Skills，再交给StarSeeker调度。

这不是多一个按钮，而是交换了一个主体。

胡启朝举了一个钠电池配方优化的例子：如果一家企业希望在现有钠电池配方基础上，开发一个-10℃ 循环性能更好的新配方，过去研发人员要先提问，得到若干方向；再寻找相关分子；再把分子作为添加剂，按不同配比组合成配方；再进入分子动力学模拟、设计和性能预测。

如果找出10个分子，每个分子再做 10 个不同配方，就会形成约100个配方。每个配方都要模拟、分析和预测。按胡启朝的拆解，整套流程叠加下来可能超过1000 个小时。按人每天工作 8 小时计算，就形成电池企业接近6 个月的常规创新周期。

StarSeeker 改变的，就是让研发人员不再一项项手动推进。

用户把目标、约束和流程要求交给它，Agent 可以连续调用不同 Skills，把一段标准化研发流程自动跑完。

电池研发Agent 的第一层价值，正是替代真正替代大量基础、重复、耗时的研发流程。

而要让Agent 真正接管这段流程，关键在于让工具变成它能够调用的Skill。

工具变成Skill，研发经验才可被调度

StarSeeker 能替用户跑流程，并不是因为它凭空多了一个“自动化”开关。

关键在于，MU-3 把原来的工具变成了 Skill。

过去，Search 是一个工具。它能帮用户找分子，但用户要自己决定：找哪一类分子，设哪些约束条件，哪些结果值得留下，哪些结果应该丢掉。

Formulate 也是一个工具。它能做配方级模拟，但用户仍然要决定：哪些分子调试配液，添加比例怎么设，模拟结果怎么进入下一步判断。

也就是说，工具提供能力，但工具之间如何接续，仍然由人决定。

Skill 要解决的是这件事。

它把“怎么使用这个工具、在什么任务里调用它、结果如何交给下一步”放进系统里。如此，Ask、Search、Formulate、Design、Predict、Manufacture 不再只是工具箱里的六个工具，而变成 StarSeeker 可以连续调用的流程节点。

在一个钠电低温配方优化任务里，StarSeeker 可以先拆解目标，再调用 Search 找候选分子，调用 Formulate 做配方模拟，再进入 Design 和 Predict 评估电芯表现。

只有实现了这一点，才能开始真正谈论“接管”。过去是人把工具串起来，现在是Agent开始把工具串起来。

目前，它接管的还不是科学家的完整判断，而是那些已经被拆解、标准化、反复执行的研发动作。

当工具变成Skill，研发经验才第一次有机会被 Agent 调度。

Agent + A-Lab，构成研发迭代 “ 最小单元 ”

只会跑流程，还不够。

电池研发最终不相信屏幕上的漂亮答案，还是只相信实验。一个配方能否真的把-10℃ 循环性能从 6000 圈提升到 7000 圈，模型可以预测，但不能替代验证。

这就是A-Lab在 MU-3 中的填补。

简单说，StarSeeker 负责“想”和“算”，A-Lab 负责“做”和“测”。

StarSeeker可以在模型中筛选分子、组合配方、预测电芯表现；A-Lab 则把这些候选分子和配方拉回实验台，通过高通量实验真正配出来、测出来。

比如，系统推荐出一批可能改善低温循环的添加剂和配方后，A-Lab 可以进一步完成分子合成、配方配置、电芯测试，测出导电率、粘度、循环性能等真实指标。

前者是计算、模拟和模型预测产生的数据，通常被称为干数据（dry data）；后者是实验真实测出的数据，通常被称为湿数据（wet data）。计算数据可以快速缩小候选范围，实验数据则回答最关键的问题：这个方向到底是不是真的成立。

MU-3 要做的，是把这两类数据接进同一个研发工作流。

没有实验反馈，Agent 很难知道自己的预测是对是错。有了 A-Lab 产生的实验数据，StarSeeker 才可以把结果带回下一轮 Search、Formulate、Design、Predict：哪些分子该保留，哪些配方该放弃，下一轮实验该往哪里改。

本次MU-3的Agent + A-Lab ，已经不是此前版本中一次性推荐很多分子，而是在“提出”与“验证”两端都加上效率推进器，构成完整研发迭代过程中的“最小单元”。两者之间循环，向最终的电池创新目标推进。

最大的护城河，是先做自己的客户

胡启朝提到，SES 自己就是分子宇宙最大的用户和最大的客户。

MU 先在 SES 自己的研发现场，被用于材料、配方、电芯、测试和实验反馈。

钠电扩展，正是这个能力的一次检验。

钠电并不是SES 过去最深的历史来路。SES 的长期积累更多来自锂金属、固态/混合固液等锂体系。

MU-3 扩展到钠电，不仅仅是补齐一个电池创新关键方向，更是一次对AI4S能力的回应。

当AI 进入一个历史 know-how 没有那么厚的新体系时，能否依靠新的数据、模型、计算和实验反馈，重新建立研发判断。

据胡启朝介绍，近两年SES 通过 A-Lab 和电芯产线，系统采集了包括硅负极锂离子电池、磷酸铁锂体系、钠离子电池在内的新电芯数据。

目前，已有6、7 个通过 MU 平台找出的电解液配方，覆盖锂金属负极、高硅碳负极、中硅碳负极、低硅碳负极、钠电池、磷酸铁锂石墨、高压正极等不同化学体系，并面向储能、EV、数码、无人机等场景推进测试和销售。

这意味着，MU 的扩展不是简单复制旧经验，而是在验证一种平台外延能力。

如果说锂金属体系证明了SES 能把自己的 know-how 做成 AI，那么此后液态锂离子电池体系以及钠电扩展就证明，MU 可以在新体系中继续生长。

这也正是SES AI 的护城河。直接从电池研发现场长出AI4S，它知道什么样的数据对模型有用，也有能力把这些数据生产出来。

电池AI，开始进入第二阶段

对SES AI 来说，MU-3 也让商业化路径变得更具体。

胡启朝提到，分子宇宙的商业化大致有三条路径：一是平台订阅服务；二是本地化部署和软硬件一体化交付；三是由MU 开发出的材料，以电解液供应等方式进入销售。

这一商业模式是电池行业AI4S落地的真实写照。

电池企业对数据高度敏感，纯云端软件很难直接进入真实研发环境。真正能走进去的，往往不是一个孤立工具，而是本地化部署、自动化实验、高性能计算和材料交付的组合。

胡启朝把AI 在电池研发中的信任分成三个阶段。

第一阶段，用户不完全相信AI，但相信自己，所以 AI 先作为工具箱存在；
第二阶段，用户开始相信Skill，相信 Agent 可以按照既定流程调动工具；
第三阶段，用户开始相信Agent 对结果的分析，而这需要 A-Lab 和真实实验数据持续反馈。

沿此预期，MU-3 正在从第一阶段进入第二阶段，并向第三阶段靠近。

它现在替代的还不是科学家的全部判断，而是研发中大量标准化、重复性、耗时的基础流程。但这一步已经足够重要。

电池研发Agent，来了。